高速铁路信道特性及基于人工智能的信道预测研究

【摘要】：由于我国高速铁路的不断发展,铁路系统正面临着更大客流,更多车次的严峻挑战。此外,旅客对于铁路出行的需求也不再仅仅是点到点的运送,旅客在旅途中的工作与娱乐需求也必须纳入考虑。这时,当前高速铁路系统所使用的基于第二代移动通信的GSM-R(Globle System for Mobile Communications-Railway)系统则逐渐显得力不从心,因此新一代高速铁路通信系统的研究势在必行。作为无线通信系统设计的基础,准确的无线信道建模能够对系统设计时的技术评估、系统仿真以及网络覆盖规划提供重要指导。因此本文首先对当前高铁场景基于测量的信道研究现状开展了调研,之后根据当前研究情况的不足,依托采集自实际高铁场景的实测数据对典型信道参数进行了提取与建模。在信道参数提取与信道建模的过程中,本文发现基于实测的传统信道建模方法正面临着如载频和带宽的增加,移动速度的提升以及实地测量难以开展等越来越多的挑战。为了避免信道测量所带来的诸多困难,本文探索了基于AI(Artifical Intelligence)的信道预测方法。本文提出了的两种方法可以利用有限的测试数据得到更多未测试部分的数据。本文研究点如下所示:(1)基于实测数据探究了关键信道参数随接收机距基站距离的变化规律,比较了某些关键信道参数的统计性建模方法以及不同信道参数间的互相关性。(2)为解决信道实测过程中测试点的选择并非完全连续的问题,本文提出利用AI中的神经网络对实测数据特征进行学习,并利用学习后的网络在测试区间内生成更多的信道数据以解决实测数据不足的问题。文章对不同种类神经网络,不同的隐藏层神经元数以及不同训练集比例的情况针对不同信道参数的预测效果进行了分析与比较,并从中挑选出了最适合此种预测方法的神经网络。(3)信道实地测量往往需要花费大量的人力与物力,而当需要测试的测试范围减小时,相应的测试成本也会随之下降。因此本文提出了一种基于LSTM网络的时序序列预测方法,并根据所预测的信道参数特点对传统预测方法进行了改进。之后利用实测数据使用改进后的方法对信道进行了预测,并对预测效果进行了分析。